【技術實現步驟摘要】
本專利技術涉及室內定位，尤其是涉及一種通過基站篩選和群智能優化算法構建神經網絡測距模型來提高定位精度的室內定位方法。
技術介紹
1、在室內環境中，衛星與室內接收機之間缺乏視距傳輸信道，現有的室外定位系統難以在室內環境中提供準確的定位服務。因此，人們致力于室內定位系統的開發，以實現可靠、準確的室內定位和導航。實際上，基于rssi的wifi室內定位算法，具備實現簡單、成本低、覆蓋范圍廣等優點現已被許多學者研究。基于wifi室內定位方法主要被歸納為兩大類：基于信號傳播模型的方法和基于指紋識別的方法。但是，指紋數據庫的建設較為繁瑣、維護成本較高，限制了指紋識別的使用。因此，如何基于信號模型實現基于rssi測距的定位成為目前的一個熱門問題。
2、基站與測試點之間的非視距誤差一直阻礙基于rssi測距的室內定位技術的發展。針對該問題，目前有不同的改進方向，包括：
3、1.基于los補償和可信nlos(non?line-of-sight)，nlos識別的wifi?rtt定位方法，利用補償后的los距離和可信的nlos距離來估計位置。
4、2.測量wifi信號的多個rssi值去解決nlos的識別和緩解問題的方法，利用rssi時間序列的幾個統計特征，開發和比較兩種基于機器學習的算法和第三種基于假設檢驗的算法，以識別視距(line-of-sight，los)和nlos。
5、3.基于morlet波變換和卷積神經網絡的方法，能夠在時頻域識別los/nlos。
6、4.采用反向傳播(backwa
7、但是，這些算法的定位精度不是特別高，跳出局部最優解并不明顯，并且存在著收斂速度慢、局部搜索能力差等缺點，并且沒有考慮到選擇不同wifi基站子集對于定位結果的影響，使得用于構建神經網絡的數據集中存在不可靠基站的傳輸的信號，導致了定位精度的降低。
技術實現思路
1、為了克服現有技術的不足，本專利技術的目的是提供一種結合基站篩選策略和冠豪豬算法(cpo)優化bp神經網絡策略的定位方法，解決了現有的室內定位技術定位精度低、定位時間長的問題。
2、本專利技術通過下列技術方案實現：一種基站篩選策略和神經網絡結合的室內定位方法，包括三個環節：
3、s1.快速檢測算法環節，當室內定位算法中可用于定位的基站數量較多時，采用基于聚類的子集采樣方式定位會使得室內定位成本過高，本專利技術使用一種快速的檢測算法來判別是否存在受到障礙物阻礙導致信號傳播受阻的nlos基站，以便提高定位算法的運行效率；
4、s2.基站篩選算法環節，如果存在不可靠的nlos基站，先將基站劃分為若干子集，沒有nlos基站的rss子集的估計位置傾向于形成一個密集的簇，在此基礎上，本專利技術將rss子集的估計位置按簇分組，檢測密集簇并返回其質心位置來確定可靠的定位結果，并通過計算出現在可靠結果中的所有基站的頻率來識別nlos基站；
5、s3.冠豪豬算法優化bp神經網絡測距環節，傳統的基于rssi測距的室內定位算法通常依賴經驗參數來構建路徑損耗模型，容易受到環境噪聲影響，導致較大誤差和定位不準確，本文利用神經網絡能有效捕捉非線性關系的優點，建立cpo-bp神經網絡構建測距模型，以精確捕捉復雜環境中的rssi與距離的關系，有效提高了定位精度。
6、s1具體包括：
7、s11.將wifi集合子集劃分為若干個三個基站組成的子集，包括全部由los基站組成的高精度定位的子集與存在nlos基站的定位精度不高的子集；
8、s12.生成rss子集后，對每一個rss子集通過路徑損耗模型將采集到的rssi值轉化為距離值，然后通過三邊定位法實現子集的定位；
9、s13.得到定位結果后，rss子集可能存在nlos基站導致同一個測試點的估計位置的分散，定位結果會存在以下兩種：
10、a.如果所有的定位結果較為接近真實位置，則所有用于定位的基站都是los基站；
11、b.如果定位結果的相互歐式距離大于某個閾值，則認為存在nlos基站，進行基站篩選步驟。
12、s2具體包括：
13、s21.首先對定位結果進行聚類找到最密集的類別，通過每個聚類的子集定位結果之間的相互歐式距離，計算聚類的離散度，并選擇離散度最小(平均歐式距離最小)的聚類作為可靠的定位子集；
14、s22.總的來說，可靠的結果大多基于los基站獲得，而涉及nlos基站的結果很少。因此，本專利技術通過計算出現在可靠結果中所有基站的頻率識別nlos基站；具體來說，根據頻率將所有基站分為兩個集群：一個是選擇頻率高的集群為los基站，另一個是集群為nlos基站類別，即某個基站出現的頻率越高，los基站的出現概率就越大，最終基于頻率統計篩選出不利于室內定位的nlos基站。
15、s3具體包括：
16、s31.建立數據庫階段：首先采集參考點接收到的不同錨節點發出的rssi數據，然后將采集到的rssi數據進行高斯濾波，然后計算錨節點和參考點的坐標，通過歐氏距離公式計算錨節點與參考點之間的距離，最后根據參考點濾波后的rssi值和其對應的距離值來構建數據庫；
17、s32.網絡訓練階段：設置bp神經網絡模型和cpo的相關參數，如隱藏層的節點數h，輸入層的節點數n，輸出層的節點數s，冠豪豬的種群大小p等；在[-0.5,0.5]的范圍內隨機生成p個冠豪豬個體的初始位置，冠豪豬的初始位置即bp神經網絡的初始權值和閾值；將bp神經網絡的預測誤差函數作為cpo優化算法的適應度函數，設置好bp神經網絡的初始權值和閾值后，將離線階段建立的數據庫中的rssi值和其對應的距離值分別作為bp神經網絡的輸入和輸出數據來訓練bp神經網絡，判斷當前迭代次數是否大于iterm，若大于iterm就終止迭代，當前冠豪豬種群中最優個體的位置即bp神經網絡的最優初始權值和閾值；
18、s33.網絡調用階段：將待定位節點接收到的rssi值進行高斯濾波，并把濾波后的數據作為bp神經網絡的輸入值，將輸入值輸入到網絡訓練階段已經訓練好的cpo-bp神經網絡中，得到預測的距離值，根據cpo-bp神經網絡預測的距離值，采用mle法計算待定位節點的估計坐標，實現定位功能。
19、區別于常規定位方法，本專利技術提出的基站篩選策略和神經網絡結合的室內定位方法提高了復雜定位環境下的運算效率，降低了運算成本；建立的基于bp神經網絡的rssi測距模型，一定范圍內抑制了rssi信號的波動，并且避免了對環境參數的依賴性，使得室內定位精度更高，同時引入冠豪豬優化bp神經網絡使得本專利技術所提出的定位算法的定位精度和穩定性更高，實驗表明，ga-bp和bp和傳統的landmarc定位方式的平均定位誤差為1.85m，2.95m和5.4m，本算法的平均定位誤差為0.94m，相較表現更好。
本文檔來自技高網...【技術保護點】
1.一種基站篩選策略和神經網絡結合的室內定位方法，其特征在于包括三個環節：
2.根據權利要求1所述的基站篩選策略和神經網絡結合的室內定位方法，其特征在于S1具體包括：
3.根據權利要求1所述的基站篩選策略和神經網絡結合的室內定位方法，其特征在于S2具體包括：
4.根據權利要求1所述的基站篩選策略和神經網絡結合的室內定位方法，其特征在于S3具體包括：
【技術特征摘要】
1.一種基站篩選策略和神經網絡結合的室內定位方法，其特征在于包括三個環節：
2.根據權利要求1所述的基站篩選策略和神經網絡結合的室內定位方法，其特征在于s1具體包括：
3...
【專利技術屬性】
技術研發人員：萬里宏，楊晶晶，雷俊杰，鄧桂方，何卓威，朱虎霸，沈應墾，芮必元，
申請(專利權)人：昆明理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。